CN112764421B - 无人深潜器自主导航轨迹预测积分控制方法及装置 - Google Patents
无人深潜器自主导航轨迹预测积分控制方法及装置 Download PDFInfo
- Publication number
- CN112764421B CN112764421B CN202011582224.XA CN202011582224A CN112764421B CN 112764421 B CN112764421 B CN 112764421B CN 202011582224 A CN202011582224 A CN 202011582224A CN 112764421 B CN112764421 B CN 112764421B
- Authority
- CN
- China
- Prior art keywords
- control
- prediction
- control sequence
- track
- submersible vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/14—Control of attitude or depth
Abstract
本发明公开了一种无人深潜器自主导航轨迹预测积分控制方法及装置,该方法包括:获取无人深潜器周围的海底地形环境对应的三维空间模型;随机采样多条控制序列,每条控制序列中包括不同时间片段的多段控制指令;根据每条控制序列获得对应的第一预测轨迹;设定三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,分别计算每条第一预测轨迹的总势能值;根据总势能值对控制序列进行积分,分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行;本发明将可能在未来探测到的深海环境信息考虑到未来一段时间内的控制指令求解中,有效加快深潜器对复杂多变深海环境的响应速度,提高深潜器作业的安全性。
Description
技术领域
本发明属于水下导航技术领域,更具体地,涉及一种无人深潜器自主导航轨迹预测积分控制方法及装置。
背景技术
传统的无人深潜器在深海峡谷中作业时,首先需要通过各类环境感知传感器对周围环境进行感知,然后基于环境信息规划出潜航的路径或轨迹,最后通过反馈式控制器驱动执行机构改变深潜器状态来跟踪规划好的路径或轨迹。
由于深海峡谷中地形复杂多变,传统的自主导航与运动控制方案不能够快速适应环境并提前做出动作反应,导致运动控制不平滑、波动大,甚至可能发生碰擦障碍物的事故。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种无人深潜器自主导航轨迹预测积分控制方法及装置,其目的在于提高导航控制对海底环境的响应速度,提高作业安全性。
为实现上述目的,按照本发明的第一个方面,提供了一种无人深潜器自主导航轨迹预测积分控制方法,该方法包括以下步骤:
获取无人深潜器周围的海底地形环境对应的三维空间模型;
随机采样多条具有预置的时间长度的控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得具有所述预置的时间长度的预测控制序列并执行。
本发明的核心思想在于随机采样多条具有一定时间长度的控制序列,依据控制序列对应的预测轨迹的势能值对多条控制序列中对不同时间片段的控制指令进行积分,从而得到预测控制序列;通过积分控制的方式将可能在未来探测到的深海环境信息考虑到未来一段时间内的控制序列指令求解上,从而能够有效加快深潜器对复杂多变深海环境的响应速度,提高深潜器作业的安全性。
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述执行预测控制序列的过程包括:
控制执行机构在每个执行周期内执行所述预测控制序列中的其中一段预测控制指令,评估执行后的状态与该预测控制序列对应的第二预测轨迹的状态的差异值,
若所述差异小于设定阈值,则继续执行下一段预测控制指令;
若所述差异不小于设定阈值,则重新采样控制序列并计算预测控制序列及其对应的第二预测轨迹。
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述获取无人深潜器周围的海底地形环境对应的三维空间模型,包括:
获取无人深潜器周围的海底地形环境对应的三维空间点云数据集,使用立方体进行环境重建,且所述三维空间点云数据集中的数据点均包含在所述立方体中,得到三维空间模型。
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述三维空间模型中的环境颗粒的边长不小于无人深潜器的长方体的最小边长的十分之一。
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令,具体为:
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述根据每条所述控制序列获得对应的第一预测轨迹,具体为:
根据深潜器的动力学模型y=f(x,u),获得L条第一预测轨迹 Yi={yi1,yi2,…,yiK},其中,x表示无人深潜器的状态变量。
优选的,上述无人深潜器自主导航轨迹预测积分控制方法,所述根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,具体为:
以exp(-Ei)为系数对第i条控制序列Ui={ui1,ui2,…,uiK}中的每段控制指令进行积分;其中,Ei表示第i条第一预测轨迹的总势能值。
按照本发明的第二个方面,还提供了一种无人深潜器自主导航轨迹预测积分控制装置,其包括:
环境重建模块,用于获取无人深潜器周围的海底地形环境对应的三维空间模型;
采样模块,随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
计算模块,设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
轨迹预测控制模块,用于根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行。
按照本发明的第三个方面,还提供了一种电子设备,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行上述任一项所述控制方法的步骤。
按照本发明的第四个方面,还提供了一种计算机可读介质,其存储有可由电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行上述任一项所述控制方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提供的无人深潜器自主导航轨迹预测积分控制方法及装置,采用面向无人潜航器的轨迹预测积分控制技术,利用无人深潜器的前方地形以及周围环境信息,将可能在未来探测到的深海环境信息考虑到未来一段时间内的控制序列指令求解上,从而能够有效加快深潜器对复杂多变深海环境的响应速度,提高深潜器作业的安全性,同时缩短深潜器对同一区域的探测作业的潜航轨迹长度,节省能源消耗。
(2)本发明使用轨迹预测积分控制方法可以自下而上地完成自主导航任务,而无需再使用其它任务分配与路径规划方法,简化潜航器自主导航与控制系统,集自主导航功能和运动控制功能为一体,提高算法开发效率。
(3)本发明流程简单高效,在线计算复杂度低,节省潜航器的能源消耗,提高潜航器的探测作业能力,有效避免潜航器与海底障碍物发生碰撞的危险,提升潜航器的经济性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种无人深潜器自主导航轨迹预测积分控制方法的流程示意图;
图2为本申请实施例提供的一种无人深潜器自主导航轨迹预测积分控制装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种无人深潜器自主导航轨迹预测积分控制方法的流程示意图。在本申请实施例中,所述方法包括:
S101、获取无人深潜器周围的海底地形环境对应的三维空间模型;
本申请实施例的执行主体可以是无人深潜器中的反馈式控制器。
在一种可实施方式中,获取无人深潜器周围的海底地形环境对应的三维空间模型,包括:
获取无人深潜器周围的海底地形环境对应的三维空间点云数据集并使用立方体进行环境重建,三维空间点云数据集中的所有数据点均包含在立方体中,得到三维空间模型,该三维空间模型中的环境颗粒的边长不小于无人深潜器的长方体的最小边长的十分之一。
本实施例中,使用立方体对周围环境进行构建与填补(以下简称环境颗粒),恰好将上述三维空间点云数据集中的所有数据点包含在该立方体内。在一个优选的示例中,三维空间模型中的环境颗粒的边长恰好为无人深潜器的长方体的最小边长的十分之一。本示例使用粗粒度元素进行环境建模,可以降低在线计算复杂度,加快周围环境的重建速度。
在一种可实施方式中,无人深潜器周围的海底地形环境对应的三维空间点云数据集为安装在无人深潜器上的多波束声纳系统采集得到;
具体而言,使用安装在无人深潜器前方与后方的多波束声纳系统对深潜器周围的海底地形环境进行测距,得到海底三维空间点云数据集C={P1,P2,…, Pn},其中,Pj(x,y,z)为声纳系统返回的数据点,其表示该坐标离声纳系统的距离,n为声纳系统返回的数据点的个数,j=1,2,…,n。
S102、随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
在一种可实施方式中,随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令,具体为:
在一种可实施方式中,根据每条所述控制序列获得对应的第一预测轨迹,具体为:
根据深潜器的动力学模型y=f(x,u),获得L条第一预测轨迹Yi= {yi1,yi2,…,yiK},其中,x表示无人深潜器的状态变量,该状态变量用来表征无人深潜器当前的运动状态;每条控制序列对应形成一条第一预测轨迹。
S103、设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
在一种可实施方式中,设定步骤S101中形成的三维空间模型中的所有环境颗粒的势能值为极大值Emax,而海水势能值为0。根据以上设定分别计算每条第一预测轨迹的总势能值Ei;极大值Emax的取值不作具体限定。
S104、根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行;
在一种可实施方式中,根据每条第一预测轨迹的总势能值对其所对应的控制序列进行积分,具体为:
以为系数对第i条控制序列Ui={ui1,ui2,…,uiK}中的每段控制指令进行积分;其中,Ei表示第i条第一预测轨迹的总势能值;获得时间长度为T 秒的预测控制序列为:然后,根据预测控制序列和深潜器的系统动力学方程可以获得对应的第二预测轨迹。
在一种可实施方式中,执行预测控制序列的过程包括:
若所述差异小于设定阈值,则继续执行下一段预测控制指令;
若所述差异不小于设定阈值,则返回步骤S102,重新采样控制序列并按照上述方式计算预测控制序列和第二预测轨迹。
在一个具体的示例中,按序执行预测控制序列中的多段预测控制指令,在每个执行周期内,无人深潜器的执行机构的执行其中一段预测控制指令,并评估执行预测控制指令后的状态与第二预测轨迹的状态的差异值,通过与设定阈值比较决定下一步的工作状态;所述的设定阈值的大小不作具体限定,用户可根据实际使用环境自行设置。
下面将结合附图2,对本申请实施例提供的无人深潜器自主导航轨迹预测积分控制装置进行详细介绍。需要说明的是,附图2所示的无人深潜器自主导航轨迹预测积分控制装置,用于执行本申请图1所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参考本申请图1所示的实施例。
请参见图2,图2是本申请实施例提供的一种无人深潜器自主导航轨迹预测积分控制装置的逻辑框图。如图2所示,所述装置包括:
环境重建模块201,用于获取无人深潜器周围的海底地形环境对应的三维空间模型;
采样模块202,随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
计算模块203,设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
轨迹预测控制模块204,用于根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行。
在一种可实施方式中,环境重建模块201具体用于:
获取无人深潜器周围的海底地形环境对应的三维空间点云数据集并使用立方体进行环境重建,所述三维空间点云数据集中的数据点均包含在所述立方体中,得到三维空间模型。
作为一个优选的示例,三维空间模型中的环境颗粒的边长不小于无人深潜器的长方体的最小边长的十分之一;环境重建模块201使用粗粒度元素进行环境建模,可以降低在线计算复杂度,加快周围环境的重建速度。
在一种可实施方式中,采样模块202具体用于:
在执行器/执行机构允许的范围内并行随机采样L条时间长度为T秒的控制序列Ui={ui1,ui2,…,uiK},i=1,2,…,L,其中Δt为控制系统采样时间;以及,根据深潜器的动力学模型y=f(x,u),获得L条第一预测轨迹Yi= {yi1,yi2,…,yiK},其中,x表示无人深潜器的状态变量。
在一种可实施方式中,计算模块203具体用于:
设定环境重建模块201生成的三维空间模型中的所有环境颗粒的势能值为极大值Emax,而海水势能值为0,据此分别计算采样模块202输出的每条第一预测轨迹的总势能值Ei。
在一种可实施方式中,轨迹预测控制模块204包括:
序列生成单元,用于以为系数对第i条控制序列Ui={ui1,ui2,…,uiK} 中的每段控制指令进行积分,获得时间长度为T秒的预测控制序列,为:然后,根据预测控制序列和深潜器的系统动力学方程可以获得对应的第二预测轨迹。
评估单元,用于评估执行预测控制指令后的状态与预测控制序列对应的第二预测轨迹的状态的差异值,
若所述差异小于设定阈值,则继续控制执行机构执行下一段预测控制指令;
若所述差异不小于设定阈值,则生成触发指令给采样模块202和计算模块 203,使采样模块202重新采样控制序列,计算模块203基于采样模块202的输出结果计算预测控制序列和第二预测轨迹。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列 (Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC) 等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图3所示,电子设备300 可以包括:至少一个中央处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI 接口)。
其中,中央处理器301可以包括一个或者多个处理核心。中央处理器301 利用各种接口和线路连接整个终端300内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行终端300的各种功能和处理数据。可选的,中央处理器301可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。中央处理器301可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(GraphicsProcessing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到中央处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述中央处理器301的存储装置。如图3所示,作为一种计算机存储介质的存储器305 中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中,用户接口303主要用于为用户提供输入的接口,获取用户输入的数据;而处理器301可以用于调用存储器305中存储的无人深潜器自主导航轨迹预测积分控制应用程序,并具体执行以下操作:
获取无人深潜器周围的海底地形环境对应的三维空间模型;
随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述无人深潜器自主导航轨迹预测积分控制方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、 DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、 DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器 IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种无人深潜器自主导航轨迹预测积分控制方法,其特征在于,包括:
获取无人深潜器周围的海底地形环境对应的三维空间模型;
随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令,获得每条所述控制序列对应的第一预测轨迹;
设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,以exp(-Ei)为系数对第i条控制序列Ui={ui1,ui2,…,uiK}中的每段控制指令进行积分;其中,Ei表示第i条第一预测轨迹的总势能值;
并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行。
2.如权利要求1所述的无人深潜器自主导航轨迹预测积分控制方法,其特征在于,所述获得预测控制序列并执行的过程包括:
控制执行机构在每个执行周期内执行所述预测控制序列中的其中一段预测控制指令,评估执行后的状态与该预测控制序列对应的第二预测轨迹的状态的差异值,
若所述差异小于设定阈值,则继续执行下一段预测控制指令;
若所述差异不小于设定阈值,则重新采样控制序列并计算预测控制序列。
3.如权利要求1或2所述的无人深潜器自主导航轨迹预测积分控制方法,其特征在于,所述获取无人深潜器周围的海底地形环境对应的三维空间模型,包括:
获取无人深潜器周围的海底地形环境对应的三维空间点云数据集,使用立方体进行环境重建,且所述三维空间点云数据集中的数据点均包含在所述立方体中,得到三维空间模型。
4.如权利要求3所述的无人深潜器自主导航轨迹预测积分控制方法,其特征在于,所述三维空间模型中的环境颗粒的边长不小于无人深潜器的长方体的最小边长的十分之一。
6.如权利要求5所述的无人深潜器自主导航轨迹预测积分控制方法,其特征在于,所述根据每条所述控制序列获得对应的第一预测轨迹,具体为:
根据深潜器的动力学模型y=f(x,u),获得L条第一预测轨迹Yi={yi1,yi2,…,yiK},其中,x表示无人深潜器的状态变量,u表示控制序列。
8.一种无人深潜器自主导航轨迹预测积分控制装置,其特征在于,包括:
环境重建模块,用于获取无人深潜器周围的海底地形环境对应的三维空间模型;
采样模块,随机采样多条控制序列,每条所述控制序列中包括对应不同时间片段的多段控制指令;根据每条所述控制序列获得对应的第一预测轨迹;
计算模块,设定所述三维空间模型中的所有环境颗粒的势能值为极大值,海水的势能值为0,据此分别计算每条所述第一预测轨迹的总势能值;
轨迹预测控制模块,用于根据每条第一预测轨迹的所述总势能值对其所对应的控制序列进行积分,以exp(-Ei)为系数对第i条控制序列Ui={ui1,ui2,…,uiK}中的每段控制指令进行积分;其中,Ei表示第i条第一预测轨迹的总势能值;并分别对各条控制序列中具有相同时间片段的控制指令的积分结果求和,获得预测控制序列并执行。
9.一种电子设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行权利要求1~7任一项所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582224.XA CN112764421B (zh) | 2020-12-28 | 2020-12-28 | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582224.XA CN112764421B (zh) | 2020-12-28 | 2020-12-28 | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112764421A CN112764421A (zh) | 2021-05-07 |
CN112764421B true CN112764421B (zh) | 2022-12-23 |
Family
ID=75696269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011582224.XA Active CN112764421B (zh) | 2020-12-28 | 2020-12-28 | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112764421B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865826A (zh) * | 2015-03-19 | 2015-08-26 | 杭州电子科技大学 | 一种基于合作预测控制的多机器人环境监测方法 |
CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
CN106023148A (zh) * | 2016-05-06 | 2016-10-12 | 北京航空航天大学 | 一种序列聚焦观测模式下恒星像点位置提取方法 |
CN109255199A (zh) * | 2018-10-16 | 2019-01-22 | 南瑞集团有限公司 | 基于受扰轨迹断面振荡能量的电力系统振荡特性分析方法 |
CN109270960A (zh) * | 2018-12-05 | 2019-01-25 | 中南大学 | 基于Radau伪谱法的在线最优反馈再入制导方法 |
CN109407677A (zh) * | 2018-12-24 | 2019-03-01 | 清华大学 | 自动驾驶车辆的轨迹跟踪方法 |
CN109901205A (zh) * | 2019-03-14 | 2019-06-18 | 南京信息工程大学 | 一种水下机器人多传感器融合与运动轨迹预测方法 |
CN110816792A (zh) * | 2019-11-26 | 2020-02-21 | 南方电网调峰调频发电有限公司 | 一种水下机器人的稳定性调节系统及方法 |
CN111123950A (zh) * | 2019-12-31 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 行车控制方法、装置及车辆 |
CN111272171A (zh) * | 2020-04-07 | 2020-06-12 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶航迹预测方法及装置 |
CN111775949A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10019006B2 (en) * | 2015-04-08 | 2018-07-10 | University Of Maryland, College Park | Surface vehicle trajectory planning systems, devices, and methods |
US10183732B2 (en) * | 2015-04-09 | 2019-01-22 | University of New Hamphire | Pose detection and control of unmanned underwater vehicles (UUVs) utilizing an optical detector array |
WO2020198070A1 (en) * | 2019-03-22 | 2020-10-01 | Vulcan Inc. | Underwater positioning system |
-
2020
- 2020-12-28 CN CN202011582224.XA patent/CN112764421B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865826A (zh) * | 2015-03-19 | 2015-08-26 | 杭州电子科技大学 | 一种基于合作预测控制的多机器人环境监测方法 |
CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
CN106023148A (zh) * | 2016-05-06 | 2016-10-12 | 北京航空航天大学 | 一种序列聚焦观测模式下恒星像点位置提取方法 |
CN109255199A (zh) * | 2018-10-16 | 2019-01-22 | 南瑞集团有限公司 | 基于受扰轨迹断面振荡能量的电力系统振荡特性分析方法 |
CN109270960A (zh) * | 2018-12-05 | 2019-01-25 | 中南大学 | 基于Radau伪谱法的在线最优反馈再入制导方法 |
CN109407677A (zh) * | 2018-12-24 | 2019-03-01 | 清华大学 | 自动驾驶车辆的轨迹跟踪方法 |
CN109901205A (zh) * | 2019-03-14 | 2019-06-18 | 南京信息工程大学 | 一种水下机器人多传感器融合与运动轨迹预测方法 |
CN110816792A (zh) * | 2019-11-26 | 2020-02-21 | 南方电网调峰调频发电有限公司 | 一种水下机器人的稳定性调节系统及方法 |
CN111123950A (zh) * | 2019-12-31 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 行车控制方法、装置及车辆 |
CN111272171A (zh) * | 2020-04-07 | 2020-06-12 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶航迹预测方法及装置 |
CN111775949A (zh) * | 2020-07-09 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 |
Non-Patent Citations (4)
Title |
---|
Autonomous Underwater Vehicle trajectory design coupled with predictive ocean models: A case study;Ryan N. Smith;《2010 IEEE International Conference on Robotics and Automation》;20100715;第1-9页 * |
Towards terrain-aided navigation for underwater robotics;Stefan Williams;《Advanced Robotics》;20120402;第15卷(第5期);第533-549页 * |
基于改进人工势场的水下机器人路径规划;王芳;《华中科技大学学报(自然科学版)》;20111231;第39卷;第184-187页 * |
积分滑模水下机器人导航定位控制方法仿真;杨帅;《计算机仿真》;20181130;第35卷(第11期);第306-310页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112764421A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
US11618481B2 (en) | Agent trajectory prediction using anchor trajectories | |
JP7345639B2 (ja) | マルチエージェントシミュレーション | |
KR20200096410A (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
KR20200096411A (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
US20230150550A1 (en) | Pedestrian behavior prediction with 3d human keypoints | |
Sharma et al. | Behavioral cloning for lateral motion control of autonomous vehicles using deep learning | |
CN114792359B (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
CN114580702A (zh) | 多模态多代理轨迹预测 | |
CA3160651A1 (en) | Spatio-temporal-interactive networks | |
CN114386599B (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
CN112764421B (zh) | 无人深潜器自主导航轨迹预测积分控制方法及装置 | |
KR102376615B1 (ko) | 주행 로봇의 제어 방법 및 그 장치 | |
US20230082079A1 (en) | Training agent trajectory prediction neural networks using distillation | |
US20220319054A1 (en) | Generating scene flow labels for point clouds using object labels | |
CN115236997B (zh) | 预测控制方法、装置、设备及计算机可读存储介质 | |
CN106485775B (zh) | 建模方法和设备以及使用流体动画曲线图的设备 | |
JP2022081613A (ja) | 自動運転特徴の特定方法、装置、設備、媒体及びコンピュータプログラム | |
Xu et al. | Context-aware timewise vaes for real-time vehicle trajectory prediction | |
CN112800873A (zh) | 确定目标方向角的方法、装置、系统及存储介质 | |
US20220180549A1 (en) | Three-dimensional location prediction from images | |
CN115790608B (zh) | 基于强化学习的auv路径规划算法及装置 | |
US20220292840A1 (en) | Region detection and geometry prediction | |
CN117590867B (zh) | 基于深度强化学习的水下自主航行器接驳控制方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |